Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá
RESUMEN : Uno de los retos para el uso de los macroinvertebrados como bioindicadores de la calidad del agua es la necesidad de especialistas en taxonomía, por lo que se han venido utilizando en los últimos años algoritmos de visón artificial para realizar la clasificación de los organismos mediante...
- Autores:
-
Ospina Arcila, Sara
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/36409
- Acceso en línea:
- https://hdl.handle.net/10495/36409
- Palabra clave:
- Contaminación del agua
Water pollution
Ojo artificial
Artificial vision
Redes neurales (computador)
Neural networks (Computer science)
Macroinvertebrados
Macroinvertebrates
Reconocimiento de patrones
http://aims.fao.org/aos/agrovoc/c_10d271a5
http://vocabularies.unesco.org/thesaurus/concept2632
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
| Summary: | RESUMEN : Uno de los retos para el uso de los macroinvertebrados como bioindicadores de la calidad del agua es la necesidad de especialistas en taxonomía, por lo que se han venido utilizando en los últimos años algoritmos de visón artificial para realizar la clasificación de los organismos mediante imágenes. El presente trabajo utiliza técnicas de transferencia de aprendizaje, comparando los algoritmos de aprendizaje profundo AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101 e InceptionV3 para la determinación de tres familias de macroinvertebrados, construyendo un banco de imágenes mediante estereomicroscopio para el entrenamiento, validación y prueba de los modelos. Posteriormente, se realizan pruebas con imágenes tomadas con un montaje de campo en diferentes formatos de imagen y estados del organismo. La base de datos fue construida con las familias Baetidae, Elmidae e Hydropsychidae, ya que poseen abundancia y presencia en un punto de la quebrada durante el periodo 2007 a 2023, en cuanto al entrenamiento y validación, se obtuvo una precisión por encima del 98,2% en todas las redes neuronales, mientras que, en la prueba dentro de la misma base de datos, todas las redes exceptuando ResNet101 lograron realizar bien la clasificación. Para la prueba con imágenes del montaje de campo, GoogleNet es modelo que posee mejores métricas en la matriz de confusión y con el cual se construyó una interfaz de usuario. Finalmente, el análisis de este modelo plantea nuevos retos para la clasificación de organismos vivos y para el procesamiento digital de las imágenes. |
|---|
